MENU 1 Modèles de choix

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Utilité aléatoire : Modèle de choix Un consommateur choisit l’alternative qui maximise son utilité avec un modèle à utilité aléatoire avec:i= individu, j = alternative et k = attribut. U ij =Utilité du produit j pour l ’individu i V j =Composante déterministe de l ’utilité qui dépend des caractéristiques du produit et du fournisseur  ij =Terme d ’erreur représentant la composante non-déterministe b ijk =valeur de l ’attribut k de l ’alternative j. w k =pondération de l’attribut

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Modèle Logit Le modèle LOGIT suppose que le terme d ’erreur (  ij ) suit une distribution spécifique (double exponentielle) Alors avec: p j =probabilité que l’individu choisisse l ’alternative j V j =utilité de l’alternative j Binomial si 2 alternatives, multinomial logit (MNL) si plusieurs alternatives

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Implication : l’effet d’une variable explicative n’est pas constant  Une mesure intervalle de l’utilité suffit  L ’effet marginal d’un attribut est variable selon le niveau actuel des attributs  Il est maximal quand la probabilité de choix s’approche de 0.5 Effet marginal d’un attribut sur la probabilité de choisir une alternative Probabilité de choix d ’une alternative 0.5

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Du tableau croisé au Logit

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Implication (hypothèse lourde IIA)  Hypothèse de l’indépendance des alternatives non pertinentes  IIA Independence of irrelevant alternatives  Le rapport de deux probabilités de choix ne dépend pas des autres alternatives  Logit : Une marque « tire » sa part de marché supplémentaire de la PdM des concurrents de manière proportionnelle à leur PdM (proportional draw)  Pas de « proximité » concurrentielle des marques  Hypothèse simplificatrice très utile mais dont il faut tester la validité  Analyse des résidus  Le modèle PROBIT suppose que le terme d’erreur suit une loi normale  Son estimation est un peu plus complexe et peut limiter le nombre de variables explicatives  mais n’est pas soumise à l’hypothèse IIA

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Nombreuses variantes du logit  Selon les variables explicatives (hypothèses sur les résidus en cas de réponses multiples par un même individu)  Multinomial logistic regression (MNL): plusieurs options  Variables des alternatives (produit): « Baseline »  Conditional logit model  Variables individuelles :  Mixed logit model  Les deux catégories de variables (alternatives et individuelles) en même temps

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Utilisation du MNL dans les études de segmentation  Idée fondamentale : segmenter la base des acheteurs selon la probabilité de choix de la marque  Fidèles à la marque  Fidèles au concurrent  Volages : à gagner à perdre  Modélisation des préférences individuelles (Guadagni et Little)  Introduction d’une variable de fidélité (marque, conditionnement)  Fidel(t) = (1-a).Fidel(t-1) + a.Choix (quel lissage ?)  Mais attention à la relation avec les variables explicatives  Difficulté d’initialisation  Durée et forme de l’initialisation  conséquence sur la composition de l’échantillon

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Exemple 

MENU Modèles d’aide à la décision en MKG © Desmet Pierre Modélisation intégrée (ex Price Challenger © GFK)Price Challenger Sur l’ensemble évoqué, par simulation aléatoire ( shopping game ) Avec ajustement de l’élasticité sur celle obtenue avec des données de panel équation de probabilité d’achat avec effet de prix rond et équation de quantité achetée